高光谱成像+深度学习：红枣干燥过程质量的“可视化”新路径

红枣热风干燥，高光谱成像技术

红枣，是我国极具代表性的特色农产品之一。从鲜果到干制品，看似只是“脱水”，实则伴随着一系列复杂而精细的物理、化学变化：
水分迁移、糖酸浓缩、组织结构重排、颜色与质构演变……

干燥质量，几乎决定了红枣最终的商品价值。

然而，在实际生产中，红枣干燥过程的质量控制长期面临一个现实问题：

“看不见过程，只能验收结果。”

近日，一篇发表于 Food Chemistry的研究工作，系统展示了如何利用 高光谱成像技术（HSI）结合深度学习模型，对红枣热风干燥全过程进行无损、定量、可视化的质量监测，为智能干燥与过程控制提供了全新思路。

质量困局，干燥过程

在红枣干燥过程中，行业普遍关注以下关键质量参数：

这些参数并非独立变化，而是相互耦合、动态演化：

传统检测方法（烘干法、滴定、质构分析等）虽然准确，但普遍存在：

这使得干燥工艺在很大程度上仍依赖经验，而非数据驱动。

高光谱成像，一次扫描，多维信息

为解决上述问题，研究团队引入了 可见—近红外高光谱成像技术（400–1000 nm）。

与传统成像或单点光谱不同，高光谱的核心优势在于：

在实验中，研究人员对红枣在 55℃、60℃、65℃ 三种热风干燥条件下，持续 0–56 h 进行高光谱采集，并同步测定理化指标作为参考。

光谱层面的关键发现包括：

这表明，高光谱不仅能“看到表面”，更能间接反映内部品质变化机制。

深度学习模型的引入，从光谱到质量

高光谱数据本身是高维、强相关、非线性的，仅靠传统线性建模难以充分挖掘其信息潜力。

为此，研究构建并对比了多种模型：

该深度模型的结构特点在于：

同时，研究通过 网格搜索 + 交叉验证 对模型超参数进行优化，确保预测稳定性与泛化能力。